論文の概要: Multi-resolution Score-Based Variational Graphical Diffusion for Causal Disaster System Modeling and Inference

• arxiv url: http://arxiv.org/abs/2504.04015v1
• Date: Sat, 05 Apr 2025 01:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:54.041613
• Title: Multi-resolution Score-Based Variational Graphical Diffusion for Causal Disaster System Modeling and Inference
• Title（参考訳）: 因果災害システムモデリングと推論のための多分解能スコアベース変分グラフ拡散
• Authors: Xuechun Li, Shan Gao, Susu Xu,
• Abstract要約: 多分解能観測のためのスコアベース変分拡散モデルであるテンポラルSVGDMを紹介する。 我々のフレームワークは,各変数の固有解像度で個別のSDEを構築し,それらのSDEを親ノードが子ノードの進化を知らせる因果スコア機構を通じて結合する。 実世界のデータセットに対する実験では、既存の手法と比較して予測精度と因果理解が向上し、背景知識の異なるレベルでの堅牢な性能が示された。
• 参考スコア（独自算出の注目度）: 4.940518475900868
• License:
• Abstract: Complex systems with intricate causal dependencies challenge accurate prediction. Effective modeling requires precise physical process representation, integration of interdependent factors, and incorporation of multi-resolution observational data. These systems manifest in both static scenarios with instantaneous causal chains and temporal scenarios with evolving dynamics, complicating modeling efforts. Current methods struggle to simultaneously handle varying resolutions, capture physical relationships, model causal dependencies, and incorporate temporal dynamics, especially with inconsistently sampled data from diverse sources. We introduce Temporal-SVGDM: Score-based Variational Graphical Diffusion Model for Multi-resolution observations. Our framework constructs individual SDEs for each variable at its native resolution, then couples these SDEs through a causal score mechanism where parent nodes inform child nodes' evolution. This enables unified modeling of both immediate causal effects in static scenarios and evolving dependencies in temporal scenarios. In temporal models, state representations are processed through a sequence prediction model to predict future states based on historical patterns and causal relationships. Experiments on real-world datasets demonstrate improved prediction accuracy and causal understanding compared to existing methods, with robust performance under varying levels of background knowledge. Our model exhibits graceful degradation across different disaster types, successfully handling both static earthquake scenarios and temporal hurricane and wildfire scenarios, while maintaining superior performance even with limited data.
• Abstract（参考訳）: 複雑な因果依存性を持つ複雑なシステムは正確な予測に挑戦する。 効果的なモデリングには、正確な物理的プロセス表現、相互依存因子の統合、多分解能観測データの取り込みが必要である。 これらのシステムは、瞬間的因果連鎖を持つ静的シナリオと、進化的ダイナミクスを持つ時間的シナリオの両方に現れ、モデリングの作業が複雑になる。 現在の手法では、様々な解像度を同時に処理し、物理的関係を捉え、因果関係をモデル化し、時間的ダイナミクス、特に多様なソースからの一貫性のないサンプルデータを取り込むのに苦労している。 多分解能観測のためのスコアベース変分グラフ拡散モデルであるテンポラルSVGDMを紹介する。 我々のフレームワークは,各変数の固有解像度で個別のSDEを構築し,それらのSDEを親ノードが子ノードの進化を知らせる因果スコア機構を通じて結合する。 これにより、静的シナリオにおける即時因果効果と、一時的なシナリオにおける依存関係の進化の両方を統一したモデリングが可能になる。 時間モデルでは、状態表現はシーケンス予測モデルを通して処理され、過去のパターンと因果関係に基づいて将来の状態を予測する。 実世界のデータセットに対する実験では、既存の手法と比較して予測精度と因果理解が向上し、背景知識の異なるレベルでの堅牢な性能が示された。 本モデルでは, 各種災害タイプに対して優良な劣化がみられ, 静的地震シナリオと時間的ハリケーン, 山火事シナリオの両方をうまく扱えるとともに, 限られたデータでも優れた性能を維持している。

関連論文リスト

• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Learning Space-Time Continuous Neural PDEs from Partially Observed States [13.01244901400942]
  格子独立モデル学習偏微分方程式(PDE)を雑音および不規則格子上の部分的な観測から導入する。 本稿では、効率的な確率的フレームワークとデータ効率とグリッド独立性を改善するための新しい設計エンコーダを備えた時空間連続型ニューラルネットワークPDEモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-09T06:53:59Z)
• Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models [2.7391842773173334]
  我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。 この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-23T17:42:53Z)
• Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models [2.299617836036273]
  我々は、条件拡散モデルと構造化状態空間モデルという2つの新興技術に依存した計算モデルであるSSSDを提唱した。 我々は、SSSDが最先端の確率的計算値と一致し、幅広いデータセットと異なる欠点シナリオで性能を予測できることを実証する。
  論文  参考訳（メタデータ） (2022-08-19T15:29:43Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Discrepancy Modeling Framework: Learning missing physics, modeling systematic residuals, and disambiguating between deterministic and random effects [4.459306403129608]
  現代の力学系では、モデルと測定の相違は量子化の低下につながる。 本稿では,欠落した物理を識別し,モデル-測定ミスマッチを解消するための不一致モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-10T05:37:24Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。